[論文レビュー] Accelerating Materials-Space Exploration for Thermal Insulators by Mapping Materials Properties via Artificial Intelligence

Thomas A. R. Purcell, Matthias Scheffler+2 more|arXiv (Cornell University)|Apr 27, 2022

Machine Learning in Materials Science被引用数 4

ひとこと要約

本論文は、75件の実験データポイントのみを用いて、解釈可能な解析的モデルを導出することで、熱絶縁体の材料発見を加速するための記号的回帰と感度分析フレームワークを提示する。この手法により、モル体積、デバイ温度、フォノン非調和性といった主要な材料特性が同定され、732種の材料を階層的にスクリーニングし、300 Kでκ < 1 W/mKを満たす80種の超絶縁体候補が同定された。

ABSTRACT

Reliable artificial-intelligence models have the potential to accelerate the discovery of materials with optimal properties for various applications, including superconductivity, catalysis, and thermoelectricity. Advancements in this field are often hindered by the scarcity and quality of available data and the significant effort required to acquire new data. For such applications, reliable surrogate models that help guide materials space exploration using easily accessible materials properties are urgently needed. Here, we present a general, data-driven framework that provides quantitative predictions as well as qualitative rules for steering data creation for all datasets via a combination of symbolic regression and sensitivity analysis. We demonstrate the power of the framework by generating an accurate analytic model for the lattice thermal conductivity using only 75 experimentally measured values. By extracting the most influential material properties from this model, we are then able to hierarchically screen 732 materials and find 80 ultra-insulating materials.

研究の動機と目的

• 熱絶縁体の材料発見におけるデータ不足を克服するため、既存データを超えて一般化可能な信頼性の高い解釈可能なAIモデルを構築すること。
• 記号的回帰と感度分析を用いて、格子熱伝導率を支配する最も重要な材料特性を同定すること。
• 将来のデータ収集を効率化するために、極めて少ないデータの材料空間において、超低熱伝導率材料をもたらす可能性が最も高い領域を予測すること。
• 機械学習の精度と物理ベースの解析的モデルの解釈可能性を統合した代理モデルを構築すること。
• 予測ルールから得た記述子に基づき優先順位を付けることで、熱絶縁体のための高スルーレットスクリーニングを可能にすること。

提案手法

• 75件の実験データポイントから格子熱伝導率（κ_L）の明示的・解析的表現を導出するために、SISSO（スパース非線形ダイナミクスの同定）を用いた記号的回帰を採用する。
• 入力特徴量（例：モル体積、デバイ温度、フォノン非調和性）の同時確率分布をモデル化するためにガウス・コプゥラを用い、頑健な感度分析を可能にする。
• グローバル感度分析（例：ソボルインデックス）を適用して特徴量の重要度を順位付けし、熱輸送を支配する主要メカニズムに関する物理的洞察を抽出する。
• アンサンブルサンプリングによる不確実性評価を統合し、材料空間全体における予測信頼性を推定する。
• 多様な結晶構造にわたる既知の実験データと予想されるκ_L値を比較することで、モデルの予測能力を検証する。
• 導出されたモデルを用いて、予測されたκ_Lが低いものを優先順位付けすることで、732種の材料に対する階層的スクリーニングを実施する。

実験結果

リサーチクエスチョン

• RQ1 75件の実験データポイントでのみ学習された記号的回帰モデルが、多様な結晶性材料にわたり格子熱伝導率を正確に予測できるか？
• RQ2 超低熱伝導率を支配する主要な材料特性は何か、それらはどのように相互作用するか？
• RQ3 感度分析と不確実性評価は、希少な材料空間において、発見効率を最大化するための将来のデータ収集をどのように支援できるか？
• RQ4 解釈可能なAIモデルは、ブラックボックス機械学習モデルに比べて、極端な特性を示す新規材料への外挿においてどの程度優れているか？
• RQ5 導出されたモデルは、300 Kでκ_L < 1 W/mKを満たす新規の超絶縁体を同定できるか、そのような挙動を可能にする物理的条件は何か？

主な発見

• 記号的回帰モデルは、75件の実験データポイントのみを用いても、格子熱伝導率の予測精度が高く、平均絶対誤差が最先端のカーネルベース手法と同等であった。
• κ_Lが低い要因として、モル体積（V_m）、デバイ温度（Θ_D）、フォノン非調和性（ω_Γ,max）、イオン性（σ^A）が最も顕著であり、強い非線形的相互作用が確認された。
• 感度分析により、モル体積が高く、デバイ温度が低く、フォノン非調和性が高い材料が、超低熱伝導率を示す可能性が最も高いことが判明した。
• モデルは、732候補のスクリーニングから、300 Kでκ_L < 1 W/mKを満たす80種の材料を正確に予測し、既知の熱絶縁体の数を顕著に拡張した。
• フレームワークの不確実性推定は、予測の信頼性が低いと予想される材料空間の領域を特定し、将来的なデータ収集を的確に指向するのに有効であった。
• モデルの解析的表現から、κ_Lと原子体積（V_a）の逆相関関係が顕在化したが、これはデバイ温度（Θ_a）と強い負の相関関係にあることから説明可能であり、相関する記述子の重要性が強調された。